VLA

ひと言でいうと

• 見る・言葉を理解する・動く、をひとつにしたロボット向けモデル
• 指示と映像を受けて、関節の動きなどの「行動」を直接出す
• フィジカル AI の頭脳として急速に広がっている

これまでのロボットは、「見る」「判断する」「動かす」が別々の部品に分かれていて、作業ごとに人がプログラムを組んでいました。VLA は、その3つを1つの AI モデルにまとめます。カメラの映像と言葉の指示を入れると、腕の角度や指の開き具合といった行動が直接出てきます。

Google DeepMind の RT-2（2023年）が代表例として知られ、その後、ヒューマノイドを含むさまざまなロボットに VLA 型のモデルが載るようになりました。言葉で指示できるので、プログラムを書き換えなくても、頼み方を変えるだけで別の作業をさせられる点が強みです。

例

「机の上の青いカップを、水道の横に置いて」。色も場所も言葉で伝えるだけで、ロボットが映像からカップを探し、つかんで、運ぶ。VLA が実現しようとしている姿です。

注意したい点

言葉通りに動ける範囲は、学習した作業の幅に左右されます。初めての物や場所では失敗も多く、失敗したときの安全な止まり方など、現場で使うための課題は残っています。

まとめ

• VLA は、視覚・言語・行動を1つにしたロボット向けモデル
• 言葉の指示で別の作業をさせられるのが強み
• フィジカル AI の頭脳として広がっている